基于PCA-ELM和光谱技术预测香蕉成熟度.PDF

现代食品科技 Modern Food Science and Technology 2017, Vol.33, No.10 基于PCA-ELM和光谱技术预测香蕉成熟度 1 1 1 1 2 2 黎源鸿 ，王红军 ，邓建猛 ，黎邹邹 ，周伟亮 ，靳俊栋 （1.华南农业大学南方农业机械与装备实验室，广东广州 510642） （2.国家柑橘产业技术研发中心机械研究室，广东广州 510642） 摘要：本文利用高光谱成像技术(Hyperspectral imaging)对常温下贮存的 450 个未剥皮香蕉样本光谱数据进行采集，首先检测样 本果肉可溶性固形物含量（TSS ）、坚实度（FIM ），采用 spss 单因素方差分析，然后运用线性优化岭回归分析-偏最小二乘法 （RR-iPLS ） 建立了香蕉成熟度理化指标的光谱和图像特征分类模型，结果表明通过实验平台获取光谱数据预测香蕉可溶性固形物含量以及坚实度 的相关系数R2 值分别为0.92 和0.94。再通过连续投影法（successive projections algorithm，SPA ）法以及主成分分析法(principal component analysis，PCA)分别选取特征波长，建立基于特征波长的极限学习机（extreme learning machine，ELM ）对光谱数据进行建模交叉验证。 通过比较 RR-iPLS ，SPA-ELM 与 PCA-ELM 三种分类预测模型，表明基于特征波长的 PCA-ELM 分类模型具有较好的预测性能。交 叉验证准确率达到 99%。为能快速无损识别香蕉果实品质提供一种有效的预测研究，基本满足对香蕉成熟度分类检测且显示出有效 建模分析，且能达到有效的经济效益。 关键词：高光谱成像技术；连续投影法；特征波长；主成分分析；极限学习机 文章篇号：1673-9078(2017)10-268-274 DOI: 10.13982/j.mfst.1673-9078.2017.10.037 Banana Maturity Characteristic Prediction Based on Hyperspectral and PCA-ELM 1 1 1 1 2 2 LI Yuan-hong , WANG Hong-jun , DENG Jian-meng , LI Zou-zou , ZHOU Wei-liang , JIN Jun-dong (1.College of Engineering, South China Agricultural University, Guangzhou 510642, China) (2.Machinery and Equipment Laborator of National Citrus Industry Research and Development Center, Guangzhou 510642, China) Abstract: Spectral data of 450 unbarked banana samples, stored at room temperature, were collected by hyperspectral imaging tecchique. The si